Bagaimana AI Membantu Mencari Obat Kanker: Di Dalam Mesin Penemuan Molekuler BIOPTIC

Mencari obat baru sering digambarkan seperti mencari jarum dalam tumpukan jerami. Sebenarnya, masalahnya jauh lebih besar: "tumpukan jerami" dapat berisi miliaran, atau bahkan triliunan, molekul yang mungkin.

Inilah saatnya kecerdasan buatan memasuki laboratorium.

BIOPTIC, sebuah perusahaan bioteknologi yang mengutamakan AI yang diasosiasikan dengan pengusaha dan mantan eksekutif Google Andrey Doronichev, sedang mengembangkan teknologi yang menggunakan pembelajaran mesin untuk mencari perpustakaan kimia yang besar untuk molekul yang pada akhirnya dapat menjadi obat baru. Salah satu program paling menarik perusahaan ini berfokus pada kanker, di mana sistem AI-nya telah digunakan untuk mengidentifikasi penghambat selektif VEGFR-3, sebuah target biologis yang terlibat dalam angiogenesis tumor.

Kata penting di sini adalah akhirnya. AI tidak menekan tombol dan menghasilkan obat kanker yang jadi. Sebaliknya, ia membantu ilmuwan memutuskan molekul mana yang layak untuk disintesis dan diuji di dunia nyata.

Apa Itu BIOPTIC dan Apa yang Dilakukan AI-nya?

BIOPTIC beroperasi di persimpangan kecerdasan buatan, kimia komputasi, dan penemuan obat. Gagasan inti adalah memperlakukan penemuan kimia sebagian sebagai masalah pencarian.

Program penemuan obat konvensional mungkin dimulai dengan target biologis, sebuah protein yang terlibat dalam penyakit, dan kemudian mencari molekul yang mampu berinteraksi dengan target tersebut dengan cara yang diinginkan. Tantangannya adalah bahwa jumlah molekul yang secara teoritis mirip obat adalah sangat besar.

Sistem B1 dari BIOPTIC mencoba membuat pencarian ini dapat dikelola.

Sistem ini merepresentasikan molekul secara matematis, menciptakan embedding numerik yang ringkas yang memungkinkan struktur kimia dibandingkan dengan kecepatan tinggi. Menurut penelitian yang ditinjau sejawat oleh perusahaan, B1 dapat mencari perpustakaan yang mengandung puluhan miliar senyawa dan mengambil kembali molekul yang mungkin memiliki sifat biologis serupa bahkan ketika struktur kimia mereka berbeda secara signifikan.

AI bukanlah pengganti laboratorium. Itu bertindak sebagai filter yang sangat cepat sebelum pekerjaan laboratorium dimulai.

Bagaimana BIOPTIC B1 Mencari Miliaran Molekul?

Dasar teknis dari B1 adalah sistem penyaringan virtual berbasis ligan.

Ligan adalah molekul yang dapat berikatan dengan target biologis, seperti protein. Jika ilmuwan sudah tahu beberapa molekul dengan aktivitas berguna, molekul-molekul tersebut dapat berfungsi sebagai titik awal untuk pencarian baru.

B1 mengubah informasi molekuler menjadi representasi vektor yang kompak. Dalam sistem yang dipublikasikan, setiap molekul direpresentasikan sebagai embedding berdimensi 60 yang disimpan menggunakan presisi float16. Model kemudian dapat membandingkan molekul kueri dengan representasi molekuler yang telah diindeks sebelumnya dan menghitung kesamaan pada skala yang sangat besar.

Sistem tersebut diuji pada Enamine REAL Space, sebuah perpustakaan kimia virtual yang mengandung sekitar 40 miliar molekul yang terenumerasi.

Skala itu menciptakan masalah rekayasa sebanyak masalah ilmiah. Peneliti BIOPTIC memisahkan proses menjadi dua fase:

• Memindai: jaringan saraf memproses molekul dan menghasilkan embedding.

• Pencarian: embedding yang telah dihitung sebelumnya dibandingkan untuk mengambil kandidat yang paling relevan.

Dalam tolok ukur yang dipublikasikan, pencarian di perpustakaan dengan 40 miliar senyawa dapat dilakukan dalam waktu sekitar dua menit lima belas detik dengan menggunakan pengaturan pencarian berbasis SSD yang dijelaskan dalam makalah tersebut. Konfigurasi berbasis RAM jauh lebih cepat.

Ini tidak berarti AI memahami biologi dengan cara yang sama seperti ilmuwan. Ini berarti sistem dapat dengan cepat menavigasi peta matematis ruang kimia dan mengidentifikasi kandidat yang layak untuk perhatian lebih lanjut.

Proyek Kanker: Mencari Penghambat Selektif VEGFR-3

Program kanker BIOPTIC memberikan contoh konkret tentang bagaimana pendekatan ini dapat bekerja.

Targetnya adalah VEGFR-3, juga dikenal sebagai FLT4, sebuah reseptor yang terlibat dalam jalur sinyal yang berhubungan dengan angiogenesis, pembentukan pembuluh darah baru. Tumor dapat memanfaatkan angiogenesis untuk mendukung pertumbuhannya, menjadikan jalur ini sebagai area penelitian kanker yang penting.

Tantangannya adalah selektivitas.

Obat yang secara luas mempengaruhi beberapa reseptor VEGF juga dapat berinteraksi dengan sistem biologis lain, yang berpotensi meningkatkan toksisitas. Proyek BIOPTIC bertujuan untuk mengidentifikasi molekul kecil dengan selektivitas yang lebih kuat untuk VEGFR-3.

Perusahaan menggunakan jalur dua model:

SMILES adalah notasi berbasis teks yang digunakan untuk menggambarkan struktur molekul. Ini membuat kimia cukup kompatibel dengan teknik model bahasa: seorang molekul dapat direpresentasikan sebagai deretan simbol, memungkinkan sistem AI untuk mempelajari pola dalam data kimia.

Setelah model pertama menyaring perpustakaan ultra-besar 40 miliar senyawa, Jaringan Saraf Graf digunakan sebagai filter kedua. Berbeda dengan deretan teks, sebuah graf merepresentasikan atom sebagai simpul dan ikatan kimia sebagai koneksi, menjadikan GNN berguna untuk memodelkan struktur dan hubungan molekul.

Dari Prediksi Digital ke Molekul Nyata

Ini adalah titik di mana cerita AI menjadi sains nyata.

Komputer dapat memprediksi bahwa sebuah molekul terlihat menjanjikan, tetapi molekul tersebut masih harus disintesis dan diuji secara eksperimental.

Dalam proyek VEGFR-3, BIOPTIC melaporkan telah menguji 110 senyawa menggunakan uji profil kinase. Beberapa molekul menunjukkan aktivitas terhadap VEGFR-3, dan tiga selektif untuk satu target VEGFR. Salah satu kandidat menunjukkan selektivitas lebih dari 45 kali lipat dibandingkan dengan VEGFR-1 dan VEGFR-2 dalam eksperimen yang dilaporkan. Temuan tersebut dipresentasikan dalam sebuah abstrak untuk Pertemuan Tahunan ASCO 2025 dan dipublikasikan sebagai abstrak pertemuan di Journal of Clinical Oncology.

Para peneliti kemudian menggabungkan penemuan molekuler dengan analisis urutan RNA. Menggunakan algoritma Oncobox, mereka menganalisis ribuan profil ekspresi tumor untuk memperkirakan tipe kanker mana yang mungkin paling responsif terhadap penghambatan VEGFR-3 yang selektif. Kandidat yang dilaporkan untuk penyelidikan lebih lanjut meliputi kanker tiroid papiler, kanker ginjal sel jernih, kanker pankreas, kanker ovarium, dan sarkoma.

Ini adalah temuan penelitian, bukan bukti bahwa obat kanker yang jadi siap untuk pasien.

Bukti Ilmiah di Balik BIOPTIC B1

Teknologi BIOPTIC juga telah dijelaskan dalam literatur ilmiah yang telah ditinjau sejawat.

Pada 2025, para peneliti menerbitkan sebuah studi di Journal of Chemical Information and Modeling yang mendeskripsikan BIOPTIC B1 dan penggunaannya dalam eksperimen penemuan obat prospektif yang menargetkan LRRK2, sebuah protein yang terkait dengan penyakit Parkinson.

Sistem tersebut mencari ruang kimia 40 miliar molekul yang sama dan mengidentifikasi ligan-ligan baru untuk bentuk normal dan mutan dari LRRK2. Senyawa yang paling validasi secara eksperimental mencapai konstanta disosiasi serendah 110 nanomolar.

Tahap berikutnya sangat penting untuk memahami penemuan obat yang dibantu AI. Hit awal tidak diperlakukan sebagai jawaban akhir. Ilmuwan menggunakan senyawa terbaik sebagai titik awal untuk pencarian analog, mengambil kembali molekul yang terkait secara struktural, menyaringnya untuk sifat praktis, dan memilih kandidat yang dapat realistis disintesis.

Dari 48 analog yang dipilih, 47 berhasil disintesis. Senyawa yang dihasilkan kemudian diuji lagi, menciptakan umpan balik antara komputasi, kimia, dan biologi.

Mengapa AI Tidak Dapat Menggantikan Ilmuwan Obat

Ungkapan "AI menemukan obat" menarik, tetapi tidak lengkap.

AI dapat memberi peringkat molekul berdasarkan pola yang dipelajari dari data. AI dapat mempercepat penyaringan virtual dan mengidentifikasi hubungan kimia yang sulit dijelajahi secara manual. Tetapi sebuah prediksi tetaplah prediksi sampai pekerjaan eksperimental mengonfirmasinya.

Ilmuwan masih perlu menjawab pertanyaan mendasar:

• Apakah molekul benar-benar berikatan dengan target?

• Apakah ia mempengaruhi jalur biologis yang dimaksud?

• Apakah itu cukup selektif?

• Apakah itu toksik?

• Dapatkah ia mencapai jaringan yang tepat?

• Apakah ia dimetabolisme dengan aman?

• Apakah itu bekerja pada hewan?

• Apakah itu membantu pasien manusia?

Molekul yang menjanjikan dapat gagal di setiap titik.

Itulah mengapa nilai nyata dari sistem seperti BIOPTIC B1 mungkin adalah kecepatan dibandingkan sihir. Jika AI dapat mengurangi miliaran kemungkinan teoretis menjadi beberapa puluh molekul yang layak untuk diuji, itu dapat membuat tahap awal penemuan obat menjadi lebih efisien.

Masa Depan Obat yang Didorong AI

Pekerjaan BIOPTIC menggambarkan transformasi yang lebih luas dalam bioteknologi. AI semakin menjadi bagian dari infrastruktur penelitian itu sendiri, sebuah sistem untuk mencari ruang kimia, memprioritaskan eksperimen, dan menghubungkan data molekuler dengan informasi biologis.

Penelitian kanker perusahaan ini sangat menarik karena menggabungkan beberapa lapisan komputasi: penyaringan molekuler, pemodelan selektivitas, dan analisis RNA-seq biologi tumor.

Tetapi produk akhir dari proses ini bukanlah resep yang dihasilkan AI. Itu adalah daftar pendek hipotesis untuk diuji oleh ilmuwan.

Perbedaan itu penting.

AI mungkin membantu peneliti mencari miliaran molekul lebih cepat dibanding metode tradisional. AI mungkin mengungkap rangka kimia yang tidak dikenal dan mengarahkan laboratorium ke kandidat yang sebaliknya akan tetap tersembunyi. Namun, molekul tersebut masih harus melalui kimia, biologi, toksikologi, penelitian pra-klinis, dan uji klinis.

Dengan kata lain, AI tidak menggantikan ilmuwan yang mencari obat untuk kanker.

AI memberi ilmuwan tersebut mesin pencari yang jauh lebih kuat.